[發明專利]金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法

在審

• 申請號: 202310295404.7
• 申請日: 2023-03-23
• 公開（公告）號: CN116310572A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 葛海淼;潘海珠;劉沫岐
• 申請（專利權）人: 齊齊哈爾大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V20/10;G06V10/20;G06V10/58;G06V10/40;G06V10/82;G06V10/80;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 哈爾濱市文洋專利代理事務所(普通合伙) 23210
• 代理人: 王艷萍

1.金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于，包括以下步驟：

一：對要分類的高光譜圖像進行基于數據立方體的分割；

二：對分割后的圖像采用光譜特征提取網絡提取高光譜圖像的光譜特征特征圖；

三：對光譜特征提取網絡提取后的特征圖采用空間特征提取網絡提取高光譜圖像的空間特征特征圖；

四：空間特征特征圖經分類網絡生成分類結果；

其中，步驟二中所述的光譜特征提取網絡由3個光譜金字塔卷積塊、1個光譜PSA分支塊和4個Conv-BN-PReLU卷積塊組成；

步驟三中所述的空間特征提取網絡由3個空間金字塔卷積塊、1個空間PSA分支塊和2個Conv-BN-PReLU卷積塊組成；

步驟四中所述的分類網絡包含平均池化層、BN層、Mish映射和1個線性層；

步驟二光譜特征提取網絡采用殘差聚合和一次性聚合保留網絡的前期特征圖信息；

步驟三中所述空間金字塔卷積塊之間采用一次性聚合；

光譜金字塔卷積塊中采用偽3D光譜卷積核；空間金字塔卷積塊中采用偽3D空間卷積核。

2.根據權利要求1所述的金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于：Conv-BN-PReLU卷積塊由1個卷積層、1個BN層和1個PReLU激活函數組成。

3.根據權利要求1所述的金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于：特征圖被送入光譜金字塔卷積塊，在3個光譜金字塔卷積塊之后，用一次性聚合構造光譜金字塔卷積塊的輸出；特征圖被送入空間金字塔卷積塊，在3個空間金字塔卷積塊之后，用一次性聚合構造空間金字塔卷積塊的輸出。

4.根據權利要求1所述的金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于：步驟二：圖像送入Conv-BN-PReLU卷積塊增加特征圖的維度，之后特征圖送入光譜金字塔卷積塊，在3個光譜金字塔卷積塊之后用一次性聚合構造光譜金字塔卷積塊的輸出特征圖；光譜金字塔卷積塊的輸出特征圖然后用2個Conv-BN-PReLU卷積塊轉換尺寸；再通過重塑層送入PSA進行計算，而后再通過重塑層送入1個Conv-BN-PReLU卷積塊和重塑層輸出光譜注意力特征圖；最后將光譜注意力特征圖與輸入數據x_i進行殘差聚合，即獲得光譜特征特征圖。

5.根據權利要求1所述的金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于：步驟三：光譜特征特征圖用1個Conv-BN-PReLU卷積塊壓縮數據的光譜維度，并增加特征圖維度；再送入空間金字塔卷積塊提取空間信息，在3個空間金字塔卷積塊之后用一次性聚合構造空間金字塔卷積塊的輸出特征圖；空間金字塔卷積塊的輸出特征圖然后用1個Conv-BN-PReLU卷積塊轉換尺寸后通過重塑層送入PSA進行計算，即獲得空間特征特征圖。

6.根據權利要求1所述的金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于：步驟四：空間特征特征圖用平均池化層、BN層、Mish映射收斂，然后通過重塑層送入線性層，獲得分類結果。

7.根據權利要求1或3所述的金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于：光譜金字塔卷積塊包含平行的3個卷積層，提取多尺度光譜特征采用串聯運算以融合特征，并用BN和PReLU為網絡塊提供穩定性和非線性；然后用1個Conv-BN-PReLU卷積塊減少特征圖的維度并提供輸出FM_out。

8.根據權利要求1或3所述的金字塔多尺度卷積和自注意力結合的高光譜圖像分類方法，其特征在于：空間金字塔卷積塊包含平行的3個卷積層，提取多尺度空間特征，采用串聯運算以融合特征，并用BN和PReLU為網絡塊提供穩定性和非線性；然后用1個Conv-BN-PReLU卷積塊減少特征圖的維度并提供輸出FM_out。